这是学习笔记的第 1751篇文章
今天参加Gdevops北京站归来，还是很有收获的。
总体感觉，我离AIOps又更近了一步，而且自己之前在思考的问题也有了一些思路。
首先恭喜两本书的作者，第一本是《Oracle Exadata专家手册》的两位译者高强和葛云杰来到现场签售，还有一本是刘华老师的《猎豹行动 硝烟中的敏捷转型之旅》，写书的困难和苦逼谁做过谁知道，愿意沉下心来写，愿意花出享受生活的时间和精力去做这件事情，而且保证质量，值得赞扬。
技术大会对我来说的一个福利就是可以见到很多老朋友，新朋友。从某种程度来说，这种交流更加直接高效，而且难能可贵。这里值得一提的是两个国产数据库TiDB和SequoiaDB，所属的公司最近都融资成功，国产数据库的口碑和效应已经越来越明显了。
对于AIOps，2018年真是一个落地的元年，几年前概念会炒得很热，经过了几年的沉淀，确实能够看到不少厂商的落地实践，给出问题，给出场景，在没有一线经验的时候，这种间接经验也可以让自己少走一些弯路。
这里值得一提的是AIOps的门槛很高，一方面是技术的难度，需要更多的理论支持和新的模型，而且说实话，这个学习成本和学习周期确实不低，另外一方面就是落地的场景，有些场景小公司里去落地可能效果不明显，投入产出比不足，但是对于具有变现能力的大厂和面向服务的厂商来说，这种场景的投入意义就更加明显了。
所以你会发现这几年大家都不提自动化运维了，因为单纯提自动化运维显得有些low了，所以大家的起点都是AIOps和NoOps,但是无论是那种运维，目标都是很明确，对于运维的能力和要求会越来越高。 而固步自封，会很容易陷入自己的死胡同里。
今天和海林在闲聊的时候，提到一个例子，是出租车司机，出租车对于司机来说就是一个工具，如果司机按照现有的方式也能够正常的工作生活，但是可以看到不知不觉，快车出来了，专车出来了，对已有的工作方式和生活方式就是挑战，这个例子的本意是想说明行业里的挑战无处不在，我们得突破自己的思想重围。
比如裴丹老师分享的《基于AIOps的无人运维》，对于很多从事运维工作的同学来说，很多模型的设计思路是未曾想过的，但是有了强大的理论支撑和模型，这些看似不可实现的难题就有了解题的思路。这是学术派和工业派的很好结合，在现在的工作中，运维不是因为辛苦而显得重要，而是因为运维价值能够充分体现出来。其中对于知识图谱的部分让我大开眼界，现在这个方向却是很好，也算是AIOps落地的一些典型场景。
沈剑老师分享的《非业务技术部门该怎么带？》，这个话题能够带来深深的反思，其实很多事情不是非黑即白，而是做事情需要一定的方法和技巧，同样的事情能够达到同样的结果，方法和策略得当，就可以名利双收，否则大家都很被动，互相牵制实在没有什么意义。
王磊老师分享的《银行业图数据库选型、分析与实践》，可以从下图看到图数据库这几年的发展很快，但是在实际工作中的落地场景还没有充分发挥出来。所以说这也是一个很好的机遇。
图数据库的方式是对已有的数据可视化一种更加清晰有效的补充。
在这个层面上，虽然目前行业里的使用还是有限，但是空间很大，这个方面建议要花一些精力和时间投入进来。
徐新龙老师分享的《AIOps在携程的探索与实践》，对于AIOps的落地，故障预测就是一个典型的场景，原来的指标性，指标范围性的数据分析已经难以满足周期数据的问题预测了，在这个层面上，如果有大量的数据沉淀下来，根据时间序列的周期问题就是一种行之有效的策略。
希宁老师分享的《阿里首度披露：NoOps运维实践之弹性容量托管》，对于弹性托管来说，可以说大大提高了运维生活质量，业务可以不必关系更多的运维细节，但可以在业务方面做更多的设计和改进，运维的改进和调整是一种托管的保姆式呵护，根据压力负载做到弹性，把故障率降低，比单纯的提高可用的几个9要来的实在的多。在这方面，相信会有更多稳定经验的沉淀和最佳实践。
最后感谢来参会分享的各位讲师，感谢大家鼎力支持。
